块LBP-TOP稀疏表示表情与车辆检测技术研究-AET-电子技术应用

块LBP-TOP稀疏表示表情与车辆检测技术研究

2020年电子技术应用第12期

谭兆海1，李育林1，张璇2，孙宁3，刘文文3，杨苏3

1.中国铁路兰州局集团有限公司，甘肃兰州730000；2.燕山大学信息科学与工程学院，河北秦皇岛066004； 3.苏州华兴致远电子科技有限公司，江苏苏州215000

摘要： 提出基于分块LBP-TOP(Local Binary Patterns from Three Orthogonal Planes)特征和改进的加权稀疏表示分类解决微表情识别与专用线车辆状态检测问题。首先利用LBP-TOP特征描述符对从分块图像中选择出的有效块进行提取特征，将提取的特征作为字典，采取加权稀疏表示(Weighted Sparse Representation，WSRC)和对偶增广拉格朗日乘子法(Dual Augmented Lagrange Multiplier，DALM)相结合的算法(WSRC_DALM)进行稀疏表示分类；然后利用不同尺寸的块划分图像，选择有效块提取特征，特征融合后参与分类。在CASME Ⅱ与SAMM表情数据库上采用“留一人交叉验证”(Leave One Subject Out, LOSO)的分类方法进行5分类，得到的识别率分别达到了77.30%与58.82%，在车辆状态检测检测数据库上的实验达到了84.60%的检测率。实验结果表明了所提出算法的有效性。

关键词： 微表情车辆状态检测块LBP-TOP 稀疏表示

中图分类号： TP391.4
文献标识码： A
DOI：10.16157/j.issn.0258-7998.200545
中文引用格式： 谭兆海，李育林，张璇，等. 块LBP-TOP稀疏表示表情与车辆检测技术研究[J].电子技术应用，2020，46(12)：53-56.
英文引用格式： Tan Zhaohai，Li Yulin，Zhang Xuan，et al. Sparse representation for micro-expression and vehicle status recognition based on blocked LBP-TOP[J]. Application of Electronic Technique，2020，46(12)：53-56.

Sparse representation for micro-expression and vehicle status recognition based on blocked LBP-TOP

Tan Zhaohai1，Li Yulin1，Zhang Xuan2，Sun Ning3，Liu Wenwen3，Yang Su3

1.China Railway Lanzhou Bureau Groups Co.，Ltd.，Lanzhou 730000，China； 2.School of Information and Engineering，Yanshan University，Qinhuangdao 066004，China； 3.Suzhou NewVision Science and Technology Co.，Ltd.，Suzhou 215000，China

Abstract： In this paper, a micro-expression and vehicle status recognition method based on blocked local binary pattern from three orthogonal planes(LBP-TOP) features and weighted sparse representation as the classifier is proposed. First of all, the effective block is selected from the blocked image. Then, the features, which are extracted from LBP-TOP feature descriptor, are used as a dictionary. Then the combined weighted sparse representation(WSRC) and the dual augmented lagrangian multiplier(DALM) algorithm performs sparse representation classification. Finally, the images are divided to different sizes blocks, then the effective block is chosen from these blocks, and the features are merged as the input to the classifier. The experiments are carried out on the CASME Ⅱ，SAMM and vehicle databases using leave-one-subject-out cross validation(LOSOCV). When classifying the micro-expressions into five categories, the classification accuracy can reach separately 77.30% and 58.82%, and the experiment on the database of vehicle state detection reaches 84.60% detection rate. Experimental results show the effectiveness of the proposed algorithm.

Key words : micro-expression；vehicle status detection；block-based LBP-TOP；sparse representation

0 引言

视频识别是计算机视觉的一个新的研究重点，例如微表情识别^[1]与车辆状态检测应用领域非常广泛。车辆状态检测通过有效开展车辆运用维修工作，成为轨道交通安全运输的重要保障。微表情与传统表情的不同，微表情是当一个人是试图掩饰自己的真实情感时自然流露的，无法伪装也很难抑制，所以微表情更加能够体现出人的真实情感。近年来，视频目标识别的关键是寻找最优的表示特征提取方法，国内外研究者从多个方面对此展开研究。例如：(1)基于时空域纹理特征提取，文献[2]提出利用LBP-TOP特征，采用时间插值模型(TIM)并结合多核学习机(MKL)进行自发微表情识别的方法进行二分类；文献[3]提出利用6点交叉LBP方法(LBP-SIP)对微表情进行5分类识别，该LBP-SIP方法减少了LBP-TOP方法中大量冗余的信息；文献[4]提出时空局部二值模式积分图(STLBP-IP)方法，利用积分投影首先将每帧图像分解成水平和垂直分量，接着采用时空局部二值模式对各分量提取全局和运动信息，相对于LBP-TOP而言，增加了有效信息量，也引入了一部分冗余信息；文献[5]利用欧拉影像放大(EVM)技术对视频中微小运动进行放大，随后利用LBP-TOP提取放大后的特征；文献[6]在LBP-TOP基础上提出时空域完全的局部量化模式(STCLQP)，该方法在时空域提取了符号、大小及方向3个分量，随后对每个分量进行矢量量化编码，最后分别进行特征并融合，该方法与STLBP-IP方法相似，都是将图像分成几个分量，引入其他有效信息以便于后续分类；文献[7]提出了新的特征描述符，利用DCP-TOP和HWP-TOP对眼部区域用进行编码，该特征得到了很好的结果。(2)基于时空域运动信息描述方法，文献[8]提出主方向平均光流(MDMO)分析方法，该方法主要引入了光流来提取运动信息；文献[9]开创性地提出了利用视频中特定的两帧信息来识别微表情，分别为视频中的起始帧和最大帧，实验通过计算两帧之间的光流幅值、方向及光流应变量并对方向分量求取双加权特征向量。(3)基于高阶张量特征，文献[10]提出稀疏张量典型相关性分析，通过对原始微表情数据和其LBP特征进行相关分析，得到低维子空间表示，随后对低维子空间计算泛化低阶矩阵得到具有稀疏性的特征；文献[11]将微表情识别看作稀疏近似问题，提出利用二维Gabor滤波器和二维稀疏表示(SGR)；文献[12]提出基于行动单元(AU)对视频表情进行分类，情绪类别在数据集构建过程中可能会出现偏差；文献[13]提出基于双模板稀疏分类算法，通过添加正、负双模板构造新的观测矩阵，不足在于特征维数高；文献[14]运用机器视觉检测,实现地铁车辆检修提质增效，进一步缓解地铁车辆检修需求与既有检修能力不匹配之间的矛盾。

针对以上情况，本文改进基于时空域纹理提取特征的方法，从两个方面提出视频目标识别新思路，首先结合LBP-TOP和尺度特征对视频归一化后进行特征提取，其次利用提取后的特征构建学习字典，然后在此基础上利用加权稀疏表示分类^[15]和对偶增广拉格朗日乘子法相结合的WSRC_DALM算法进行分类，通过有效的特征提取和鲁棒分类技术来保证识别性能改善。

本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003253

作者信息:

谭兆海1，李育林1，张璇2，孙宁3，刘文文3，杨苏3

(1.中国铁路兰州局集团有限公司，甘肃兰州730000；2.燕山大学信息科学与工程学院，河北秦皇岛066004；

3.苏州华兴致远电子科技有限公司，江苏苏州215000)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容